Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 3. С. 171-181
Прогнозирование послепожарного отпада древостоев на основе данных дистанционного зондирования и машинного обучения
1 Красноярский научный центр СО РАН, Красноярск, Россия
Одобрена к печати: 21.03.2025
DOI: 10.21046/2070-7401-2025-22-3-171-181
Значительное количество и площади пожаров растительности, ежегодно возникающих на территории Сибири, определяет необходимость разработки средств оценки и прогнозирования последствий пирогенного воздействия на леса. В работе рассматриваются возможности применения открытых каталогов данных и методов машинного обучения для прогнозирования участков послепожарного отпада древостоя, а также оценки значимости признаков, определяющих величину отпада. С применением набора тематических спутниковых продуктов и метода машинного обучения RF (англ. Random Forest, случайный лес) для территорий Красноярского края, Республик Хакасия и Тыва выполнена оценка значимости набора признаков при прогнозировании доли отпада древостоя после пирогенного воздействия, а также разработана соответствующая модель. В работе использованы признаки, описывающие как лесорастительные и топографические условия местности, так и увлажнённость растительных горючих материалов, а также характеристики горения и величина изменений спектральных свойств поверхности, вызванных воздействием пожаров. Общая точность модели составила 0,84, а величина показателя F1-score — 0,76. Наибольшую значимость при прогнозировании доли послепожарного отпада продемонстрировал разностный индекс dNBR (англ. Differenced Normalized Burn Ratio). В целом, признаки, характеризующие изменения отражательных свойств поверхности после пирогенного воздействия (спектральные индексы dNBR, dBAI (англ. Differenced Burn Area Index), а также отражательная способность в отдельных диапазонах спектра), определяли более 50 % вариабельности в оценках послепожарного отпада древостоя.
Ключевые слова: пожары растительности, дистанционные данные, машинное обучение, Random Forest, Сибирь
Полный текстСписок литературы:
- Барталев С. А., Егоров В. А., Крылов А. М. и др. Исследование возможностей оценки состояния поврежденных пожарами лесов по данным многоспектральных спутниковых измерений // Современные проблемы дистанционного зондирования Земли из космоса. 2010. Т. 7. № 3. С. 215–225.
- Барталев С. А., Стыценко Ф. В., Егоров В. А., Лупян Е. А. Спутниковая оценка гибели лесов России от пожаров // Лесоведение. 2015. № 2. С. 83–94.
- Барталев С. А., Егоров В. А., Жарко В. О. и др. Спутниковое картографирование растительного покрова России. М.: ИКИ РАН, 2016. 208 с.
- Барталев С. А., Стыценко Ф. В., Хвостиков С. А., Лупян Е. А. Методология мониторинга и прогнозирования пирогенной гибели лесов на основе данных спутниковых наблюдений // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 6. С. 176–193. https://doi.org/10.21046/2070-7401-2017-14-6-176-193.
- Пономарёв Е. И., Швецов Е. Г. Сопоставление оценок отпада древостоев Сибири после воздействия пожаров по дистанционным данным // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 6. С. 213–223. https://doi.org/10.21046/2070-7401-2024-21-6-213-223.
- Приказ Министерства природных ресурсов и экологии Российской Федерации «Об утверждении Перечня лесорастительных зон Российской Федерации и Перечня лесных районов Российской Федерации» № 367 от 18.08.2014 (ред. от 02.08.2023).
- Швецов Е. Г. Исследование влияния мощности теплоизлучения лесных пожаров на степень повреждения лесов на территории юга средней Сибири по спутниковым данным // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 5. С. 136–146. https://doi.org/10.21046/2070-7401-2022-19-5-136-146.
- Швецов Е. Г. Оценка послепожарной гибели лесов в Сибири по спутниковым данным и ее связь с характеристиками пожаров // Сибирский эколог. журн. 2024. № 4. С. 550–560. https://doi.org/10.15372/SEJ20240403.
- Abrams M., Crippen R., Fujisada H. ASTER Global Digital Elevation Model (GDEM) and ASTER Global Water Body Dataset (ASTWBD) // Remote Sensing. 2020. V. 12. No. 7. Article 1156. https://doi.org/10.3390/rs12071156.
- Breiman L. Random Forests // Machine Learning. 2001. V. 45. P. 5–32. https://doi.org/10.1023/A:1010933404324.
- Collins L., Griffioen P., Newell G., Mellor A. The utility of Random Forests for wildfire severity mapping // Remote Sensing of Environment. 2018. V. 216. P. 374–384. https://doi.org/10.1016/j.rse.2018.07.005.
- Cuevas-González M., Gerard F., Balzter H., Riaños D. Analysing forest recovery after wildfire disturbance in boreal Siberia using remotely sensed vegetation indices // Global Change Biology. 2009. V. 15. P. 561–577. https://doi.org/10.1111/j.1365-2486.2008.01784.x.
- Delcourt C. J. F., Combee A., Izbicki B. et al. Evaluating the differenced Normalized Burn Ratio for assessing fire severity using Sentinel-2 imagery in Northeast Siberian larch forests // Remote Sensing. 2021. V. 13. No. 12. Article 2311. https://doi.org/10.3390/rs13122311.
- Douzas G., Bacao F., Fonseca J., Khudinyan M. Imbalanced learning in land cover classification: Improving minority classes’ prediction accuracy using the geometric SMOTE algorithm // Remote Sensing. 2019. V. 11. No. 24. Article 3040. https://doi.org/10.3390/rs11243040.
- Escuin S., Navarro R., Fernández P. Fire severity assessment by using NBR (Normalized Burn Ratio) and NDVI (Normalized Difference Vegetation Index) derived from LANDSAT TM/ETM images // Intern. J. Remote Sensing. 2008. V. 29. P. 1053–1073. https://doi.org/10.1080/01431160701281072.
- Florath J., Keller S. Supervised machine learning approaches on multispectral remote sensing data for a combined detection of fire and burned area // Remote Sensing. 2022. V. 14. No. 3. Article 657. https://doi.org/10.3390/rs14030657.
- Friedl M. A., Sulla-Menashe D., Tan B. et al. MODIS Collection 5 global land cover: Algorithm refinements and characterization of new datasets // Remote Sensing of Environment. 2010. V. 114. P. 168–182. https://doi.org/10.1016/j.rse.2009.08.016.
- Furniss T. J., Kane V. R., Larson A. J., Lutz J. A. Detecting tree mortality with Landsat-derived spectral indices: Improving ecological accuracy by examining uncertainty // Remote Sensing of Environment. 2020. V. 237. Article 111497. https://doi.org/10.1016/j.rse.2019.111497.
- Gibson R., Danaher T., Hehir W., Collins L. A remote sensing approach to mapping fire severity in south-eastern Australia using Sentinel 2 and random forest // Remote Sensing of Environment. 2020. V. 240. Article 111702. https://doi.org/10.1016/j.rse.2020.111702.
- Giglio L., Schroeder W., Hall J. V., Justice C. O. MODIS Collection 6 active fire product user’s guide. 2020. 63 p.
- Hansen M. C., Potapov P. V., Moore R. et al. High-resolution global maps of 21st-century forest cover change // Science. 2013. V. 342. P. 850–853. https://doi.org/10.1126/science.1244693.
- Kharuk V. I., Ponomarev E. I., Ivanova G. A. et al. Wildfires in the Siberian taiga // Ambio. 2021. V. 50. P. 1953–1974. https://doi.org/10.1007/s13280-020-01490-x.
- Krylov A., McCarty J. L., Potapov P. Remote sensing estimates of stand replacement fires in Russia, 2002–2011 // Environmental Research Letters. 2014. V. 9. Article 105007. https://doi.org/10.1088/1748-9326/9/10/105007.
- Loupian E. A., Bourtsev M. A., Proshin A. A. et al. Usage experience and capabilities of the VEGA-Science system // Remote Sensing. 2022. V. 14. No. 1. Article 77. https://doi.org/10.3390/rs14010077.
- Potapov P., Li X., Hernandez-Serna A. et al. Mapping and monitoring global forest canopy height through integration of GEDI and Landsat data // Remote Sensing of Environment. 2020. V. 253. Article 112165. https://doi.org/10.1016/j.rse.2020.112165.
- Russian forests and climate change. What science can tell us / eds. Leskinen P., Lindner M., Verkerk P. J. et al. V. 11. European Forest Institute, 2020. 140 p. https://doi.org/10.36333/wsctu11.
- Stolbovoi V., Savin I. Land resources of Russia — maps of soil characteristics, version 1 (GGD601). Boulder, Colorado, USA: National Snow and Ice Data Center, 2002. https://doi.org/10.7265/vk5t-nh20.
- Vermote E. F., Roger J. C., Ray J. P. MODIS surface reflectance user’s guide. Collections 6 and 6.1. Version 1.7. Washington, DC, USA: National Aeronautics and Space Administration, 2023, 40 p. https://doi.org/10.5067/MODIS/MOD09A1.006.
- Vicente-Serrano S. M., Beguería S., López-Moreno J. I. A multi-scalar drought index sensitive to global warming: The standardized precipitation evapotranspiration index // J. Climate. 2010. V. 23. P. 1696–1718. https://doi.org/10.1175/2009JCLI2909.1.
- Zhong S., Zhang K., Bagheri M. et al. Machine learning: New ideas and tools in environmental science and engineering // Environmental Science and Technology. 2021. V. 55. P. 12741–12754. https://doi.org/10.1021/acs.est.1c01339.